Os desafios de uma equipa centralizada de análise de dados

A Micron reviu a sua estratégia de gestão de dados, ao incluir equipas de cientistas de dados para diversas unidades de negócio. A empresa explica como a estratégia de centralização tem tido resultados impressionantes.

Dizem que os dados são o novo “petróleo” e muitas empresas estão a trabalhar para que tal seja realidade. A Micron Technology, fabricante de microprocessadores, criou um plano inicial para o que os especialistas chamam “fábrica do futuro”, uma fábrica quase totalmente automatizada com software que analisa dados sobre produtos e equipamentos que os fazem. Ao criar uma estratégia de gestão de dados centralizada com software de “machine learning”, a Micron está a reduzir o desperdício associado a processos ineficientes, aumentado o rendimento acumulado e acelerando a chegada dos bens ao mercado.

“Temos enormes volumes de dados provenientes das máquinas na planta da fábrica, da cadeia de abastecimento e não só, existindo por isso uma vantagem competitiva na analítica preditiva e prescritiva”, diz o CIO da Micron, Trevor Schulze, que criou uma equipa que procura encontrar oportunidades de crescimento através da analise dos dados da empresa.

Ao criar uma estratégia de gestão de dados centralizada com software de “machine learning”, a Micron está a reduzir o desperdício associado a processos ineficientes, aumentado o rendimento acumulado e acelerando a chegada dos bens ao mercado.

Não obstante o volume de dados disponível estar a crescer exponencialmente nos últimos anos, muitas empresas estão apenas a tirar partido de uma pequena fracção do valor que aqueles podem ter no incremento das receitas e dos lucros, assinala um estudo da McKinsey publicado em Maio. Dos 500 executivos entrevistados pela McKinsey, 85% diz ter sido apenas “algo eficaz” num cumprimento dos objectivos estabelecidos para as iniciativas de dados e analítica. No entanto, a Micron é uma excepção à regra, tendo alcançando resultados, com a reorganização da estratégia de analítica.

Criar a cultura de dados adequada

Quando Trevor Schulze entrou para a Micron, em 2015, encontrou bolsas de projectos de analítica de dados, mas nenhuma estrutura formal a partir da qual fosse possível tirar partido do manancial de dados não-estruturados da empresa e muito menos projectos de ciência de dados e “machine learning” para suportar a utilização daqueles dados como activo de capital, uma métrica fundamental para os fabricantes.

Além disso, uma vez que não existia uma replicação de processos para potenciar os dados, os engenheiros estavam constantemente a resolver, manualmente, os mesmos problemas, extraindo e comparando dados oriundos de repositórios dispersos por todo o mundo. A abordagem não escalava.

“Um grupo de pessoas organizado centralmente pode resolver os principais problemas de negócio de uma forma muito assertiva”, Trevor Shulze (Micron)

Ao identificar esta necessidade Schulze criou no grupo de empresas, uma equipa de TI focada em analítica e dados, envolvendo os grupos de negócio para limpar e reunir dados a partir de sistemas de gestão da planta da fábrica, da cadeia de abastecimento e até mesmo da gestão do capital humano. “Isto acelera a cultura de dados que, acredito, é o que qualquer empresa pretende”, sublinha Schulze sobre a equipa.

“Um grupo de pessoas organizado centralmente pode resolver os principais problemas de negócio de uma forma muito assertiva. Testemunhado um tremendo valor de negócio em pouco tempo”. Schulze acrescenta que a incorporação de cientistas de dados na empresa contribuiu para reduzir para metade o tempo gasto na procura e preparação dos dados.

O responsável faz uma analogia entre os analistas e uma banda de rock. “Um grupo de analistas não consegue reunir dados sem boas ferramentas, do mesmo modo que uma banda de rock não consegue tocar música sem os seus instrumentos”. A equipa de TI da Micron construiu por isso um centro de dados global que tira partido de software aberto de analítica, tal como Apache Hadoop, Spark e NiFi, e de algoritmos proprietários de “machine learning” para analisar os dados.

Vantagens do “machine learning”

Para compreender as vantagens da “machine learning” na Micron, importa compreender como passou a ser utilizada. Durante anos, os engenheiros apenas podiam comparar duas variáveis de cada vez colocando num painel de controlo dados de um determinado momento. Hoje, os algoritmos proprietários varrem todos os sinais dos dados empresariais da Micron, procurando quais aqueles que podem ser importantes para dar resposta à causa de determinado problema, assinalando as zonas em que o inventário pode ser optimizado e calculando quanto tempo irá levar a criar novos produtos.

“Comparar duas variáveis de cada vez simplesmente não resolve estes problemas”, Tim Long (Micron)

“Comparar duas variáveis de cada vez simplesmente não resolve estes problemas, sublinha Tim Long, director de ciências de dados da Micron. “Não há forma de escalar. Com o “machine learning” é possível analisar centenas ou milhares de relações entre dados em simultâneo”.

Na fábrica da Micron, por exemplo, o centro de dados global detecta problemas nas linhas de montagem e dispara alertar para que os engenheiros examinem as ferramentas. Antes, a Micron só detectava os problemas a posteriori, quando os produtos chegavam à inspecção de qualidade no final da linha de produção.

O director de TI de analítica e dados empresariais da Micron, David Leach, considera que o novo sistema ajudou os engenheiros a atingir mais de 2700 “vitórias”, incluindo alturas em que um engenheiro tem a possibilidade de apresentar melhorias directas numa determinada métrica de manufactura que não seria alcançável sem soluções ou técnicas de ciência de dados. “Os sinais estão lá, mas consegue uma pessoa identifica-los a tempo de fazer alguma coisa?”, questiona Leach. “Este é o desafio”.

Processos assentes em qualidade

Boas ferramentas só podem ser fantásticas se forem implementadas num contexto de processos de qualidade.

A Micron utiliza a metodologia Data Vault, que é essencialmente uma metodologia para aplicar processos de desenvolvimento ágeis aos centros de dados, para fazer mudanças interactivas e rápidas nos centros de dados globais.

É um avanço face à metodologia tradicional de centros de dados, em que os engenheiros adicionavam manualmente dados ao sistema, mapeavam o design de gestão de big data e levavam 18 meses até entregar o produto final. Mas, tal como em muitos projectos “waterfall”, na altura em que era entregue já não estava alinhado com nada que a empresa precisa, explicou Leach. A Data Vault permite à Micron fazer alterações durante o percurso e adicionar funcionalidades sem ter de refazer o software.

“O fundamental é acelerar a nossa equipa de cientistas de dados para que possam interagir com a solução mais rapidamente”, assinala.

A Micron também teve sucesso na utilização de machine learning para antecipar a procurar, alinhando a produção de centenas de microprocessadores que vende às necessidades dos clientes. Long explica que o machine learning ajudou a melhorar 15% o detalhe das previsões, um incremento substancial para algo que anteriormente era considerada uma tarefa altamente imprevisível.

“A vantagem da machine learning é que pode gerar centenas de previsões ao longo do tempo e melhorar as técnicas para identificar quais são as combinações que apresentam a previsão mais robusta”, conclui.

Autores
Tags
O seu comentário...

*

Top